Categories
  • 技术 (71)
  • 生活 (36)
  • 孕期指南 (35)
  • 📁 Ai日报 (29)
  • 技术热点 (24)
  • 📁 每日简报 (22)
  • 项目分析 (22)
  • Ai (19)
  • 📁 原创歌曲 (18)
  • Ai工具 (11)
  • 架构设计 (10)
  • 编程工具 (8)
  • 小说 (7)
  • 赛博朋克 (7)
  • 教程 (3)
  • 📁 健康指南 (2)
  • 📁 周报 (2)
  • 📁 技术实践 (2)
  • 技术教程 (2)
  • 📁 源码解析 (2)
  • 📁 运维 (2)
  • 📁 Ai应用 (1)
  • 📁 Ai研究 (1)
  • 📁 Devops (1)
  • 📁 具身智能 (1)
  • 📁 前端 (1)
  • 📁 安全 (1)
  • 📁 安全知识 (1)
  • 📁 工具推荐 (1)
  • 📁 应用案例 (1)
  • 📁 开发指南 (1)
  • 开源项目 (1)
  • 📁 总结 (1)
  • 📁 技术分析 (1)
  • 📁 技术解读 (1)
  • 📁 效率工具 (1)
  • 📁 新闻 (1)
  • 📁 新闻聚合 (1)
  • 📁 智能客服 (1)
  • 📁 生活常识 (1)
  • 📁 生活记录 (1)
  • 📁 科普 (1)
  • 系统设计 (1)
  • 📁 自动化 (1)
  • 📁 论文精读 (1)
    • Featured Tags
  • 🤖 ai (65)
  • 👶 孕期 (55)
  • 📌 健康 (30)
  • 🤖 大模型 (29)
  • 📌 烹饪 (28)
  • 📌 菜谱 (26)
  • 📌 每日简报 (25)
  • 📌 技术热点 (23)
  • 📌 深度解读 (23)
  • 📌 科技新闻 (23)
  • 📌 nps (18)
  • 📌 go语言 (16)
  • 📌 deepchat (13)
  • 📌 qwen code (9)
  • 📌 架构设计 (8)
  • 📌 编程工具 (8)
  • 📌 ai日报 (7)
  • 📌 todoing (7)
  • 📌 小说 (7)
  • 📌 科幻 (7)
    • Recommend Series
  • 👶 孕期知识 (6)
  • 📚 Devtools (2)
  • ⚡ 博客优化 (2)
  • 📚 Qwen Code实践 (1)
  • 🚀 开源项目 (1)
      • Blogs
      164 posts
    构建智能客服大脑：一个链式处理AI Agent的实践与思考
    • Jul 18, 2025
    • 6 minutes read
    挑战：复杂客户投诉处理的痛点 在互联网服务的日常运营中，客户投诉是不可避免的一环。然而，许多投诉并非简单问题，尤其当它们涉及复杂的系统交互时，例如用户反馈“直播卡顿，需要查看日志并进行全链路分析”。这类问题往往需要： 多源信息收集：从日志系统、监控平台、用户行为数据等多个渠道获取信息。 跨系统关联分析：根据一个关键标识（如 trace_id），关联不同服务间的调用链路。 动态决策与任务分解：根据初步分析结果，动态决定下一步需要执行的任务（例如，发现新的关联服务后，需要生成新的查询任务）。 人工经验依赖：整个过程高度依赖运维或客服人员的经验，效率低下且容易出错。 为了解决这些痛点，我们设计并实现了一个链式处理AI Agent，旨在将这一复杂、多步骤的客户投诉处理流程自动化、智能化。 ......
    打造你的专属数字工作台：My Tool Dashboard 的设计与实践
    • Jul 18, 2025
    • 3 minutes read
    挑战：散乱的数字工具与低效的工作流 在数字化的今天，我们每个人都离不开各种在线工具：文档协作、代码托管、设计资源、数据分析……然而，随着工具数量的增长，我们常常面临以下痛点： 工具分散：常用的工具散落在浏览器收藏夹、各种笔记应用中，查找和访问效率低下。 界面单调：传统的导航页或浏览器主页功能单一，缺乏个性化和互动性，无法激发使用兴趣。 缺乏统一管理：难以集中管理和快速切换不同类别的工具，导致工作流碎片化。 隐私与定制化不足：许多在线工具导航页无法满足个人对界面、功能和数据隐私的深度定制需求。 为了解决这些问题，我们构思并实现了一个高度可定制的个人工具导航页——My Tool Dashboard。 ......
    大模型智能体构建：从理论到实践
    • Jul 18, 2025
    • 7 minutes read
    引言 随着大型语言模型（LLM）的飞速发展，构建能够自主感知、决策和行动的智能体（Agent）成为了人工智能领域的热点。大模型智能体不仅能够理解复杂的指令，还能通过与环境的交互，完成一系列任务。本文将深入探讨大模型智能体的构建原理、核心组件以及实践中的挑战与机遇。 大模型智能体的核心组件 一个典型的大模型智能体通常包含以下几个核心组件： 感知模块（Perception Module）： 功能：负责从环境中获取信息，并将其转化为LLM可以理解的格式。这是智能体与外部世界交互的第一步。 输入模态：可以处理多种模态的数据，包括但不限于： 文本：网页内容、文档、聊天记录、数据库查询结果等。 图像/视频：通过图像识别、OCR（光学字符识别）、视频分析模型提取视觉信息。 音频：通过语音识别（ASR）将语音转化为文本。 结构化数据：如JSON、XML、CSV等，需要解析并转化为自然语言描述或LLM可理解的格式。 关键技术：数据预处理、特征提取、多模态信息融合、特定领域的解析器。 规划模块（Planning Module）： ......